/ Модель

Характеристики

Контекст
1 024 токена
Параметры
183 млн
Лицензия
CC BY 4.0
Архитектура
marian · dense
Библиотека
transformers
Опубликована
27 янв 2025

p5-ces2many

ПереводТекст → текст

Модель MarianMT переводит с чешского на английский, польский, словацкий и словенский языки с указанием целевого языка специальным токеном.

112скачиваний за 30 дней1лайквеса обновлены10 фев 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

P5-ces2many — модель машинного перевода от команды MLR компании Allegro и Laniqo.com из коллекции MultiSlav. Это модель MarianMT с архитектурой encoder-decoder; она переводит с чешского на английский, польский, словацкий и словенский. Для выбора языка перевода в запросе требуется указать целевой язык специальным токеном.

Модель предназначена для автоматического перевода текстов между чешским и четырьмя целевыми языками, в том числе как часть каскадного перевода через чешский язык. Для обучения использовали MarianNMT, конфигурацию Transformer-big, SentencePiece с общим словарём 80 тысяч токенов и 269 миллионов примеров из открытых корпусов. В метаданных указаны 182,6 млн параметров и контекст до 1024 токенов.

Модель поддерживает чешский, английский, польский, словацкий и словенский языки. README приводит оценки на Flores200, но доступный фрагмент таблицы не содержит полных результатов для этой модели, поэтому сравнительные выводы о качестве сделать нельзя. Лицензия CC BY 4.0 допускает коммерческое использование при соблюдении её условий.

Сценарии применения

  • перевод чешских текстов на английский
  • перевод с чешского на польский
  • перевод с чешского на словацкий
  • перевод с чешского на словенский
  • каскадный перевод между поддерживаемыми языками через чешский

Ограничения

Для выбора языка перевода необходимо указывать целевой язык специальным токеном. Модель описывает перевод только с чешского на английский, польский, словацкий и словенский; результаты оценки в доступном фрагменте README приведены не полностью.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

MultiSlav P5-ces2many

Multilingual Czech-to-Many MT Model

P5-ces2many is an Encoder-Decoder vanilla transformer model trained on sentence-level Machine Translation task. Model is supporting translation from Czech language to 4 languages: English, Polish, Slovak and Slovene. This model is part of the MultiSlav collection. More information will be available soon in our upcoming MultiSlav paper.

Experiments were conducted under research project by Machine Learning Research lab for Allegro.com. Big thanks to laniqo.com for cooperation in the research.

P5-ces2many - 5-language Czech-to-Many model translating from Czech to all applicable languages This model and P5-many2ces combine into P5-ces pivot system translating between 5 languages. P5-ces translates all supported languages using Many2One model to Czech bridge sentence and next using the One2Many model from Czech bridge sentence to target language.

Model description

  • Model name: P5-many2ces
  • Source Language: Czech
  • Target Languages: English, Polish, Slovak, Slovene
  • Model Collection: MultiSlav
  • Model type: MarianMTModel Encoder-Decoder
  • License: CC BY 4.0 (commercial use allowed)
  • Developed by: MLR @ Allegro & Laniqo.com

Supported languages

Using model you must specify target language for translation. Target language tokens are represented as 3-letter ISO 639-3 language codes embedded in a format >>xxx<<. All accepted directions and their respective tokens are listed below. Each of them was added as a special token to Sentence-Piece tokenizer.

Target LanguageFirst token
English>>eng<<
Polish>>pol<<
Slovak>>slk<<
Slovene>>slv<<

Use case quickstart

Example code-snippet to use model. Due to bug the MarianMTModel must be used explicitly.

from transformers import AutoTokenizer, MarianMTModel

o2m_model_name = "Allegro/P5-ces2many"

o2m_tokenizer = AutoTokenizer.from_pretrained(o2m_model_name)
o2m_model = MarianMTModel.from_pretrained(o2m_model_name)
text = "Allegro je online platforma pro e-commerce, na které své produkty prodávají střední a malé firmy, stejně jako velké značky."
target_languages = ["eng", "pol", "slk", "slv"]
batch_to_translate = [
    f">>{lang}<<" + " " + text for lang in target_languages
]
translations = o2m_model.generate(**o2m_tokenizer.batch_encode_plus(batch_to_translate, return_tensors="pt"))
bridge_translations = o2m_tokenizer.batch_decode(translations, skip_special_tokens=True, clean_up_tokenization_spaces=True)
for trans in bridge_translations:
    print(trans)

Generated English output:

Allegro is an online e-commerce platform on which medium and small businesses as well as large brands sell their products.

Generated Polish output:

Allegro to platforma e-commerce online, na której swoje produkty sprzedają średnie i małe firmy, a także duże marki.

Generated Slovak output:

Allegro je online platforma pre e-commerce, na ktorej svoje produkty predávajú stredné a malé firmy, rovnako ako veľké značky.

Generated Slovene output:

Allegro je spletna platforma za e-poslovanje, na kateri prodajajo svoje izdelke srednje velika in mala podjetja ter velike blagovne znamke.

To pivot-translate to other languages via bridge Czech sentence, we need One2Many model. Many2One model requires explicit source language token as well. Example for translating from Polish to Slovak:

from transformers import AutoTokenizer, MarianMTModel

m2o_model_name = "Allegro/P5-many2ces"
o2m_model_name = "Allegro/P5-ces2many"

m2o_tokenizer = AutoTokenizer.from_pretrained(m2o_model_name)
m2o_model = MarianMTModel.from_pretrained(m2o_model_name)

o2m_tokenizer = AutoTokenizer.from_pretrained(o2m_model_name)
o2m_model = MarianMTModel.from_pretrained(o2m_model_name)

text = ">>pol<<" + " " + "Allegro to internetowa platforma e-commerce, na której swoje produkty sprzedają średnie i małe firmy, jak również duże marki."

translation = m2o_model.generate(**m2o_tokenizer.batch_encode_plus([text], return_tensors="pt"))
bridge_translations = m2o_tokenizer.batch_decode(translation, skip_special_tokens=True, clean_up_tokenization_spaces=True)

post_edited_bridge = ">>slk<<" + " " + bridge_translations[0]
translation = o2m_model.generate(**o2m_tokenizer.batch_encode_plus([post_edited_bridge], return_tensors="pt"))
decoded_translations = o2m_tokenizer.batch_decode(translation, skip_special_tokens=True, clean_up_tokenization_spaces=True)

print(decoded_translations[0])

Generated Polish to Slovak pivot translation via Czech:

Allegro je online e-commerce platforma, na ktorej svoje produkty predávajú stredné a malé firmy, rovnako ako veľké značky.

Training

SentencePiece tokenizer has a vocab size 80k in total (16k per language). Tokenizer was trained on randomly sampled part of the training corpus. During the training we used the MarianNMT framework. Base marian configuration used: transfromer-big. All training parameters are listed in table below.

Training hyperparameters:

HyperparameterValue
Total Parameter Size258M
Training Examples269M
Vocab Size80k
Base ParametersMarian transfromer-big
Number of Encoding Layers6
Number of Decoding Layers6
Model Dimension1024
FF Dimension4096
Heads16
Dropout0.1
Batch Sizemini batch fit to VRAM
Training Accelerators4x A100 40GB
Max Length100 tokens
OptimizerAdam
Warmup steps8000
ContextSentence-level MT
Source Language SupportedCzech
Target Languages SupportedEnglish, Polish, Slovak, Slovene
Precisionfloat16
Validation Freq3000 steps
Stop MetricChrF
Stop Criterion20 Validation steps

Training corpora

The main research question was: "How does adding additional, related languages impact the quality of the model?" - we explored it in the Slavic language family. In this model we experimented with expanding data-regime by using data from multiple target language and expanding language-pool by adding English. We found that additional data clearly improved performance compared to the bi-directional baseline models. For example in translation from Polish to Czech, this allowed us to expand training data-size from 63M to 269M examples, and from 25M to 269M for Slovene to Czech translation. We only used explicitly open-source data to ensure open-source license of our model.

Datasets were downloaded via MT-Data library. Number of total examples post filtering and deduplication: 269M.

The datasets used:

Corpus
paracrawl
opensubtitles
multiparacrawl
dgt
elrc
xlent
wikititles
wmt
wikimatrix
dcep
ELRC
tildemodel
europarl
eesc
eubookshop
emea
jrc_acquis
ema
qed
elitr_eca
EU-dcep
rapid
ecb
kde4
news_commentary
kde
bible_uedin
europat
elra
wikipedia
wikimedia
tatoeba
globalvoices
euconst
ubuntu
php
ecdc
eac
eac_reference
gnome
EU-eac
books
EU-ecdc
newsdev
khresmoi_summary
czechtourism
khresmoi_summary_dev
worldbank

Evaluation

Evaluation of the models was performed on Flores200 dataset. The table below compares performance of the open-source models and all applicable models from our collection. Metrics BLEU, ChrF2, and Unbabel/wmt22-comet-da.

Translation results on translation from Czech to Polish (Slavic direction with the highest data-regime):

ModelComet22BLEUChrFModel Size
M2M−10089.018.348.01.2B
NLLB−20088.917.547.31.3B
Opus Sla-Sla82.813.643.564M
BiDi-ces-pol (baseline)89.419.249.2209M
P4-pol ◊89.619.349.52x 242M
P5-eng ◊89.018.548.72x 258M
P5-ces2many *89.619.049.0258M
MultiSlav-4slav89.718.949.2242M
MultiSlav-5lang89.819.049.3258M

Translation results on translation from Czech to Slovene (direction to Czech with the lowest data-regime):

ModelComet22BLEUChrFModel Size
M2M−10089.726.054.61.2B
NLLB−20088.623.051.51.3B
Opus Sla-Sla83.418.648.21.3B
BiDi-ces-slv (baseline)89.827.055.5209M
P4-pol ◊88.724.953.62x 242M
P5-eng ◊89.025.754.82x 258M
P5-ces2many *89.926.755.3258M
MultiSlav-4slav90.027.555.9242M
MultiSlav-5lang90.127.455.8258M

* this model is One2Many part of P5-ces pivot system.

◊ system of 2 models Many2XXX and XXX2Many.

Limitations and Biases

We did not evaluate inherent bias contained in training datasets. It is advised to validate bias of our models in perspective domain. This might be especially problematic in translation from English to Slavic languages, which require explicitly indicated gender and might hallucinate based on bias present in training data.

License

The model is licensed under CC BY 4.0, which allows for commercial use.

Citation

TO BE UPDATED SOON 🤗

Contact Options

Authors:

Please don't hesitate to contact authors if you have any questions or suggestions:

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
MarianMTModel
Ревизия весов
01e0b1d

0 моделей